Engineering Research Technical Reports

Engineering Research
Technical Reports
Volume 5 – Issue 2 – Article 1
ISSN 2179-7625 (online)
IMAGE ANALYSIS SYSTEM FOR MEASUREMENT OF
PARTICLE SIZE DISTRIBUTION AND FOR WEAR
PARTICLE IDENTIFICATION
Valdeci Donizete Gonçalves1, Luis Fernando de Almeida2, Mauro
Hugo Mathias3
MARCH / 2014
Taubaté, São Paulo, Brazil
1
Instituto Federal de Educação, Ciência e Tecnologia de São Paulo, São José dos Campos,
[email protected].
2
Departamento de Informática, Universidade de Taubaté, [email protected].
3
Departamento de Engenharia Mecânica, Faculdade de Engenharia de Guaratinguetá, Universidade Estadual
Paulista, [email protected].
Engineering Research: Technical Reports
Technical Editor: Giorgio Eugenio Oscare Giacaglia, Universidade de Taubaté, Brazil
Associate Technical Editors
Eduardo Hidenori Enari, Universidade de Taubaté, Brazil
Wendell de Queiróz Lamas, Universidade de São Paulo at Lorena, Brazil
Editorial Board
Antonio Faria Neto, Universidade de Taubaté, Brazil
Asfaw Beyene, San Diego State University, USA
Bilal M. Ayyub, University of Maryland, USA
Bob E. Schutz, University of Texas at Austin, USA
Carlos Alberto de Almeida, Pontifícia Universidade Católica do Rio de Janeiro, Brazil
Ciro Morlino, Università degli Studi di Pisa, Italy
Eliane da Silveira Romagnolli Araujo, Universidade de Taubaté, Brazil
Epaminondas Rosa Junior, Illinois State University, USA
Evandro Luís Nohara, Universidade de Taubaté, Brazil
Fernando Manuel Ferreira Lobo Pereira, Universidade do Porto, Portugal
Gilberto Walter Arenas Miranda, Universidade de Taubaté, Brazil
Hubertus F. von Bremen, California State Polytechnic University Pomona, USA
João Bosco Gonçalves, Universidade de Taubaté, Brazil
Jorge Muniz Júnior, Universidade Estadual Paulista at Guaratinguetá, Brazil
José Luz Silveira, Universidade Estadual Paulista at Guaratinguetá, Brazil
José Walter Parquet Bizarria, Universidade de Taubaté, Brazil
María Isabel Sosa, Universidad Nacional de La Plata, Argentina
Ogbonnaya Inya Okoro, University of Nigeria at Nsukka, Nigeria
Paolo Laranci, Università degli Studi di Perugia, Italy
Rolando A. Zanzi Vigouroux, Kungliga Tekniska högskolan, Sweden
Sanaul Huq Chowdhury, Griffith University, Australia
Tomasz Kapitaniak, Politechnika Lódzka, Poland
Zeki Tüfekçioğlu, Ankara Üniversitesi, Turkey
The “Engineering Research” is a publication with purpose of technical and academic knowledge dissemination.
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
2
BIOGRAPHIES
Valdeci Donizete Gonçalves received his B.S. degree in Electrical Engineering from the University of Taubaté, Taubaté,
Brazil, in 2001, his M.S. in Mechanical Engineering, emphasis in industrial automation, from the University of Taubaté,
Taubaté, Brazil, in 2004, and his Ph.D. in Mechanical Engineering from the Sao Paulo State University, Guaratinguetá,
Brazil, in 2009. He is currently a professor at the Federal Institute of São Paulo, Campus of São José dos Campos, SP.
He has experience in the areas of mechanical engineering, industrial automation and electronics, mainly in the
following areas: automation, process control, educational robotics, signal processing and tribology.
Luis Fernando de Almeida received his B.S. degree in Scientific Computer from University of Taubaté (UNITAU),
Taubaté, Brazil, in 1993, his M.S. degree in Electronic Engineering and Computer Science from Technological Institute
of Aeronautics (ITA), São José dos Campos, Brazil, in 2004, and his Ph.D. degree in Mechanical Engineering, emphasis
in computing methodologies and techniques, from Sao Paulo State University, Guaratinguetá, Brazil, in 2011. He is an
Assistant Professor at University of Taubaté, teaching artificial intelligence, neural networks, and carries out research
on applications of neural networks, evolutionary computation, expert systems, and information security. His current
areas of interests are artificial neural networks, fuzzy logic, evolutionary computation, probabilistic reasoning, and
computer simulation of engineering problems.
Mauro Hugo Mathias received his B.S degree in Mechanical Engineering from Sao Paulo State University,
Guaratinguetá, Brazil, in 1982, his M.S degree in Mechanical Engineering from Sao Paulo State University,
Guaratinguetá, Brazil, in 1989, and his Ph.D. in Mechanical Engineering from State University of Campinas, in 1998.
Currently, he is Assistant Professor of Sao Paulo State University. He has experience in Mechanical Engineering, with
emphasis on Rigid Bodies Dynamics, Elastic and Plastic, acting on the following topics: modelling of dynamic systems,
dynamic systems signal processing, and system identification and vibration analysis.
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
3
PRESENTATION
This article describes partial results of the thesis presented to the Sao Paulo State University
at Guaratingueta, Brazil, in partial fulfilment of the requirements for the Degree of Doctor in
Engineering.
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
4
TABLE OF CONTENTS
Section
Page
Editorial Board
ii
Biographies
iii
Presentation
iv
Resumo
6
Abstract
6
1. INTRODUÇÃO
6
2. ANÁLISE DE PARTÍCULAS
8
2.1. Tipos de Partículas
8
2.2. Recursos para Classificação do Formato de Partículas de Desgaste
10
3. SISTEMA DE ANÁLISE DE PARTÍCULAS DE DESGASTE
10
3.1. Módulo de Filtragem
11
3.2. Módulo de Aquisição de Imagens por Microscopia
12
3.3. Módulo de Processamento de Imagens
13
3.4. Módulo de Análise Morfológica
14
4. RESULTADOS
15
4.1. Relatório da Análise de Amostra de Óleo pelo Método de Similaridade
15
4.2. Relatório da Análise de Amostra de Óleo pelo Método de Contagem e
17
Classificação Computacional
4.3. Classificação das Partículas por seus Atributos Morfológicos
18
5. CONCLUSÕES
18
REFERÊNCIAS
19
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
5
SISTEMA DE ANÁLISE DE IMAGEM PARA QUANTIFICAÇÃO DO TAMANHO E
DISTRIBUIÇÃO DE PARTÍCULAS DE DESGASTE
Este artigo apresenta um sistema de análise de imagens de partículas de desgaste encontradas em
óleos lubrificantes de equipamentos industriais. Para tanto, foi utilizado um sistema de aquisição de
imagem para capturar imagens de amostras de óleo retidas em membranas de filtro e, também,
desenvolvida uma metodologia analítica que faz a classificação quantitativa e qualitativa das
partículas, relacionando-as ao modo de desgaste na qual foram geradas. Para a classificação
quantitativa utilizou-se a norma ISO 4406 e para a qualitativa, a análise por meio de Redes Neurais
Artificiais. Os resultados obtidos mostraram que o sistema de análise desenvolvido realiza a
classificação individual das partículas, através de Redes Neurais Artificiais, com uma eficiência de
até 96%, além de analisar as múltiplas partículas contidas nas amostras, exibindo um relatório de
acompanhamento e evolução do desgaste. O sistema pode ser utilizado para análise de superfícies
de metais obtidos pelo processo de metalografia ou na análise de imagens de microorganismos
obtidas de amostras de sangue, abrindo uma vasta área de utilização nas universidades e campos de
pesquisa.
Palavras-chave: tribologia, redes neurais artificiais, análise de óleo, partículas de desgaste.
IMAGE ANALYSIS SYSTEM FOR MEASUREMENT OF PARTICLE SIZE
DISTRIBUTION AND WEAR
This paper presents an image analysis system for wear particles found in industrial equipment
lubricating oil. Hence, it was utilized an image acquisition system to capture image samples of the
oil held in filter membranes. An analytical methodology was also developed to classify the particles
quantitatively and qualitatively, relating them to the wear mode where they had been generated. The
ISO 4406 standard was applied for quantitative classification and Artificial Neural Networks were
used for qualitative classification analysis. The results showed that the analysis system that was
developed classifies the individual particles through Artificial Neural Networks with 96% accuracy,
in addition to analyzing the multiple particles contained in the samples and generating an evaluation
report and wear evolution. The system can be applied to analyze the surface of metals acquired by
metallographic processes or in the image analysis of microorganisms acquired from blood samples,
opening a wide field of application within universities and researches.
Keywords: tribology, artificial neural networks, oil analysis wear particles.
1. INTRODUÇÃO
A condição do óleo ou da graxa utilizada como lubrificante pode afetar a condição de
trabalho de uma máquina ou equipamento de forma significativa. Uma lubrificação insuficiente ou
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
6
inadequada pode gerar uma mudança na condição de operação de uma máquina e,
consequentemente, dar início ao mecanismo de desgaste.
O acompanhamento da condição de lubrificantes e dos mecanismos de desgaste em
máquinas pode ser efetuado por meio de análises física e química dos lubrificantes. Entretanto, com
o avanço da área de computação, relacionado à inteligência artificial, houve o desenvolvimento de
sistemas especialistas e de reconhecimento de padrões.
Partículas de desgaste contidas no óleo lubrificante carregam informações importantes
relacionadas à condição da máquina. A análise microscópica destas partículas fornece uma
ferramenta poderosa para a previsão de falha da máquina em potencial. O desenvolvimento de
sistemas avançados para análise de partículas de desgaste é uma ferramenta essencial para a
manutenção pró-ativa em plantas industriais.
O uso das técnicas de análise de óleo é fundamentado em sistemas de inspeção visual com
auxílio de microscópio (MAYER, 2006). Com a evolução dos sistemas mecatrônicos, a
identificação e a análise das partículas de óleo podem ser implementadas por meio de sistemas
automatizados que têm por base um processo de visão computacional (LAGHARI; BOUJARWAH,
1996).
Diversas abordagens vêm sendo estudadas a fim de prover programas de apoio à detecção de
falhas, e, as técnicas baseadas em Inteligência Artificial (IA) são apontadas como interessantes
abordagens no que diz respeito ao seu desempenho, comparado com as abordagens tradicionais
(REIS; PATI, 2000; JARDINI et al., 2006). Dentre as técnicas de IA, as Redes Neurais Artificiais
(RNA) se destacam como uma das principais abordagens no apoio ao monitoramento de máquinas
rotativas, em especial, em duas técnicas de manutenção baseada em condição: monitoramento de
vibrações e tribologia.
Na tribologia, sistemas baseados em técnicas de Inteligência Artificial vêm sendo aplicados,
principalmente, na análise de partículas de desgaste por meio de seus diversos atributos. Xu e
Luxmoore (1997) propõem um sistema híbrido utilizando RNA para classificação de partículas de
desgaste, e Sistemas Especialistas para avaliação global de desgaste.
Laghari et al. (2004) apresenta uma abordagem automatizada e sistemática, baseada em um
sistema baseado em conhecimento, para usar identificação de partículas que está ligada diretamente
ao usar processos e modos que ocorrem em máquinas. Um sistema baseado em processamento de
imagens e RNAs é apresentado por Albidewi (2008) utilizando dos atributos visuais e morfológicos
ara prever falhas em máquinas.
Este artigo apresenta um sistema de análise de óleos lubrificantes que utiliza técnicas de
processamento de imagens. Propõe-se um sistema de análise de partículas de desgaste de óleos
lubrificantes que consiste de quatro módulos: de filtragem de óleo, de aquisição de imagens por
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
7
microscopia, de processamento de imagens e de análise morfológica.
2. ANÁLISE DE PARTÍCULAS
A Tribologia define-se como uma área que se concentra na fricção, no desgaste e na
lubrificação de superfícies interagindo em movimento relativo (STACHOWIAK; BATCHELOR,
2001). Dentre as técnicas existentes podem ser citadas: análise de óleo lubrificante, análise
espectrográfica, ferrografia e análise de partículas de desgaste.
Partículas microscópicas de desgaste são produzidas em todas e quaisquer máquinas que
possuam partes que se movimentam e ficam em contato uma com a outra. Nos primeiros momentos
em que uma nova máquina é utilizada ou novas peças são inseridas e/ou trocadas na mesma, uma
quantidade muito grande de partículas é gerada devido ao contato com essas peças novas.
Contudo, após um período de uso da referida máquina, um estado de equilíbrio existe e,
consequentemente, uma quantidade relativamente menor de partículas é gerada. Qualquer
desequilíbrio que possa existir nesse estado também poderá afetar a quantidade relativamente
normal de partículas geradas e, a partir desse ponto, profissionais recolhem uma amostra do óleo
que transporta essas partículas para uma posterior análise (LAGHARI, 2003).
2.1. Tipos de Partículas
As partículas geradas por diferentes mecanismos de desgaste têm características
identificadas em um mecanismo específico de desgaste. Alguns exemplos são:
•
Desgaste provocado pela fricção (rubbing wear): gera partículas de desgaste normais como
resultados de um atrito normal de uma máquina. O desgaste produzido por essas partículas é
considerado normal e é causado por partículas que possuem a superfície de textura lisa.
Essas partículas são encontradas em lubrificantes na maioria das máquinas na forma de
plaquetas, podendo variar de 0,5 a 15 micrômetros de comprimento (LAGHARI, 2003);
•
Partículas de desgaste por deslizamento severo (severe sliding wear): são formadas quando a
fadiga da superfície de desgaste se torna excessiva pela falha na lubrificação, ou pelo
excesso de carga ou velocidade. Essas partículas de desgaste variam em tamanho a partir de
quinze mícrons. As partículas geradas por deslizamento têm os detalhes muito distintos de
formas estriadas. A concentração de tais partículas, que apresentam mais marcas de estrias
proeminentes, indica o modo de desgaste severo;
•
Partículas de desgaste por fadiga (fatigue wear): são associadas a fadigas em esferas de
rolamentos. São partículas de metais muito finas, geralmente entre vinte e cinquenta
microns, podendo ultrapassar este tamanho dependendo do nível de desgaste. São geradas
pela passagem das partículas de desgaste através do contato das esferas, provavelmente
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
8
depois de aderir ao elemento rolante;
•
Combinados rolante e deslizante (rolling and sliding wear): é um regime de desgaste
anormal de fadiga como os associados a engrenagens. Essa partícula, geralmente, tem uma
superfície lisa e de forma desordenada. No caso do desgaste em engrenagens, todas as
partículas apresentam a tendência de uma superfície áspera e circunferência serrilhada.
A relação entre às propriedades das partículas de desgaste e as condições em que elas foram
formadas permite a classificação das partículas em termos de números ou tipos. As características
das partículas podem ser divididas em termos do seu tamanho, quantidade, morfologia e
composição. Por meio desses quatro atributos, os tribologistas sabem que a quantidade de partículas
indica a severidade e o grau no qual eles estão sendo gerados. A composição indica a fonte geradora
das partículas. A morfologia indica a fonte tipo e proporção e o tamanho da partícula mostra a
porcentagem do tipo e severidade do desgaste do equipamento. A Figura 1 ilustra o diagrama de
blocos da relação entre as características das partículas e o modo de desgaste.
Figura 1 – Relação entre características das partículas e o modo de desgaste
A análise de partículas de desgaste, normalmente, é realizada em dois estágios (XU et al.,
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
9
1997; MOBLEY, 2008). Primeiramente, realiza-se uma rotina de monitoramento do lubrificante da
máquina em termos de quantidade, composição e tamanho das partículas. Uma máquina normal
deve conter níveis baixos de sólidos e de tamanho menor que 10 μm. O segundo estágio envolve a
análise do tipo de partícula em cada amostra coletada de óleo.
2.2. Recursos para Classificação do Formato de Partículas de Desgaste
Para fins de análise, Laghari (2003) propõe a classificação das partículas de desgaste em
termos de dois grupos de atributos: composição e morfológicos.
Os atributos de composição indicam se uma dada partícula é classificada como metálica ou
não metálica. No caso das metálicas, as partículas podem ser subdivididas em ferrosas e não
ferrosas.
Por outro lado, a análise morfológica consiste em um procedimento off-line o qual visa
caracterizar as partículas em termos de seis atributos morfológicos – tamanho, forma, detalhe de
borda, cor, razão de espessura e textura, relacionando-os com os modos de desgastes conhecidos. O
atributo forma é definido por meio da especificação de vários subatributos da partícula:
•
área total da partícula, excluindo-se os possíveis buracos que ela possa possuir dentro de si;
•
perímetro: comprimento do contorno de toda a partícula;
•
largura e comprimento da partícula;
•
diâmetros primário e secundário da elipse mais apropriada para envolver a partícula em sua
totalidade;
•
arredondamento: medida que determina o quão próximo esta partícula se assemelha a um
círculo, sendo esse valor igual a 1 para partículas totalmente circulares;
•
alongamento: comparação entre os eixos primário e o secundário, sendo seu valor igual a 0
quando estes possuem valores iguais;
•
razão de aspecto: consiste na razão entre o maior diâmetro e o menor diâmetro da partícula;
•
diâmetro de Feret: a maior distância entre dois pontos localizado no perímetro da partícula;
•
arredondamento: medida que determina o quão próximo a partícula se assemelha a um
círculo.
3. SISTEMA DE ANÁLISE DE PARTÍCULAS DE DESGASTE
O sistema desenvolvido consiste de um analisador de partículas de desgaste em óleos
lubrificantes que utiliza recursos de microscopia e processamento de imagens. O sistema foi
projetado para efetuar a contagem e classificação de partículas de acordo com os critérios da norma
ISO 4406:1999. No processo de análise morfológica as características geométricas das partículas
são obtidas com recursos do software ImageJ e são analisadas por um programa desenvolvido que
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
10
aplica Redes Neurais Artificiais na comparação dessas características aos padrões de mecanismos
de falha estabelecidos no Wear Particle Atlas comercializado pela empresa Lubrosoft.
O sistema de contagem e classificação
classificação de partículas de desgaste foi estruturado nos módulos
de filtragem, de aquisição de imagens por microscopia, de processamento de imagens e de análise
morfológica. Na Figura 2 é ilustrado o diagrama de blocos da arquitetura proposta.
Figura 2 – Diagrama de blocos da arquitetura proposta
3.1. Módulo de Filtragem
O módulo de filtragem é utilizado para obtenção das partículas de desgaste em amostras de
óleo obtidas nos equipamentos em análise. Nesse processo as partículas de desgaste são coletadas
em uma membrana de filtro de éster celulose. A Figura 3 ilustra os componentes do sistema de
filtragem.
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
201
11
Figura 3 – Bomba de vácuo e os respectivos elementos de filtragem
No processo de filtragem foi adotado o procedimento de determinação da contaminação de
partículas em líquidos por meio do método de contagem de partículas estabelecido na norma SAE
ARP 598B: 1986.
3.2. Módulo de Aquisição de Imagens por Microscopia
O módulo de aquisição de imagens para análise microscópica das partículas de desgaste
consiste de uma câmera digital Canon A-520 acoplada a um microscópio monocular Quimis,
modelo Q-705M1. Para o processamento e análise das imagens digitais foi utilizado um
microcomputador conectado à câmera digital por meio de uma interface USB.
A especificação do microscópio foi definida de acordo com o estabelecido na norma
ARP598B:1986. O microscópio escolhido apresenta as seguintes características: uma ocular de 10x,
aumentos configuráveis entre 40x a 400x, tubo de observação monocular, com 160 mm de
comprimento, inclinado a 45 º.
O projeto da interface da câmera digital com o microcomputador foi executado a partir do
programa SDK (Software Development Kit) (CANON, 2004). O programa computacional intitulado
IASS – Image Acquisition System Software (GONÇALVES; MATHIAS, 2007) foi desenvolvido
para controle da câmera digital. O IASS permite ao usuário adquirir imagens digitais das partículas
de desgaste retidas nas membranas de filtro, possibilita avaliar a imagem de uma amostra analisada
no microscópio óptico, e também realizar tarefas fundamentais como tirar fotos, modificar
parâmetros, visualizar e armazenar os dados da imagem no disco rígido do computador. Na Figura 4
apresenta o fluxograma do processo utilizado no programa IASS.
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
12
Figura 4 – Fluxograma do processo utilizado no IASS
3.3. Módulo de Processamento de Imagens
O módulo de processamento de imagens foi desenvolvido para a contagem de partículas de
desgaste retidas na membrana de filtro e análise das características morfológicas de partículas
individuais, associadas a um mecanismo de desgaste. O sistema desenvolvido permite contar
partículas de tamanhos superiores a 1,2 mícrons e também possibilita a classificação de acordo com
o tamanho. A classificação por tamanho é um parâmetro de acompanhamento da evolução de
desgaste de uma máquina.
A contagem e classificação de tamanho das partículas estabelece o diagnóstico de duas
condições: (i) da operação normal da máquina, quando partículas de dimensões pequenas estão
presentes no óleo e (ii) da condição severa de desgaste, quando o número e o tamanho de partículas
cresce consideravelmente (LAGHARI et al., 2004). Neste trabalho foram abordados dois métodos
de para a classificação de partículas de desgaste: método de similaridade utilizando-se as imagens
de classificação dos níveis de contaminação em óleo lubrificante da Swansea Tribology Services e
método de contagem e classificação computacional, utilizando-se os recursos do programa ImageJ.
A Figura 5 apresenta o diagrama de blocos da classificação por similaridade.
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
13
Figura 5 – Diagrama de blocos da classificação de partículas por similaridade
3.4. Módulo de Análise Morfológica
O módulo de análise morfológica foi desenvolvido com a finalidade de associar as
características morfológicas de partículas individuais aos mecanismos de desgaste. Os tipos de
caracteres morfológicos para a classificação das partículas foram: área, perímetro, largura, altura,
circularidade, alongamento, diâmetro de Feret, diâmetro principal, diâmetro secundário, razão de
aspecto. A Figura 6 ilustra a estrutura do módulo de análise morfológica, no qual as partículas de
desgaste conhecidas são analisadas por seus atributos, que são enviados para um banco de dados
para treinamento e teste, para serem categorizados por um classificador de redes neurais nos quatro
tipos de desgaste selecionados para este projeto.
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
14
Figura 6 – Estrutura do módulo de análise morfológica
O processo de extração das características de desgaste das partículas inicia-se com a seleção
da partícula específica que será estudada. Dentro das amostras podem existir diversos tipos de
partículas de desgaste, porém, neste trabalho, foram selecionados quatro tipos já mencionados. Para
cada tipo característico de desgaste foi escolhida uma imagem que irá passar por um processo de
estilização.
4. RESULTADOS
Os resultados apresentados nas seções seguintes foram obtidos com a aplicação do sistema
de análise de partículas de desgaste. Os relatórios foram elaborados com os recursos desenvolvidos
neste trabalho e estão em formato para uso na indústria, viabilizando uma avaliação eficiente do
processo de desgaste no equipamento.
4.1. Relatório da Análise de Amostra de Óleo pelo Método de Similaridade
Com a aplicação deste método é possível avaliar a evolução do desgaste no equipamento.
Este método necessita da avaliação de um especialista, mas possui uma grande facilidade de
aplicação. O relatório obtido a partir deste processo é muito útil para o diagnóstico da condição do
equipamento que se encontra em operação. As imagens foram obtidas a partir de unidades
hidráulicas de redutores em equipamentos industriais em pleno funcionamento. A Figura 7 ilustra o
relatório obtido pelo método da similaridade.
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
15
Figura 7 – Relatório obtido pelo método da similaridade
Neste relatório é apresentada uma imagem da membrana de filtro, que foi obtida de uma
amostra de óleo retirado de uma unidade hidráulica de uma máquina trefiladora. Essa imagem é
comparada com o padrão de amostras disponibilizado pelo Swansea Tribology Services e pelo
método de similaridade é escolhido o perfil mais compatível ao analisado. Após a escolha deste
perfil, os valores referentes à classificação ISO 4406, que para o exemplo ilustrado corresponde a
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
16
18/17/14, são colocados no campo de classificação ilustrado na parte superior à direita da Figura 7.
Porém, para este tipo de aplicação, o recomendado pela norma ISO é 17/15/12, sendo
indicado para o uso de uma válvula proporcional que é submetida a uma pressão menor ou igual a
1500 psi. Na planilha à esquerda, que corresponde à norma ISO 4406, é inserido o valor 18/17/14,
sendo 18 para o campo de partículas ≥ 4 μm e < 6 μm, 17 para o campo de partículas ≥ 6 μm e < 14
μm e 14 para o campo de partículas > 14 μm, e verificado que os valores estão no nível de falha,
pois são maiores que os valores recomendados.
Este relatório pode ser utilizado como forma de acompanhamento da condição do
equipamento e para programação de ações corretivas ou preventivas, evitando o desgaste e futura
quebra do sistema hidráulico do equipamento.
4.2. Relatório da Análise de Amostra de Óleo pelo Método de Contagem e Classificação
Computacional
Com base no sistema desenvolvido para contagem de partículas de desgaste, foi elaborado
um relatório de amostra de óleo que é apresentado em forma de uma tabela. Essa tabela ilustra a
imagem de uma amostra de óleo e a sua classificação, conforme a norma ISO 4406:1999, e também
apresenta a distribuição das partículas, fundamentada nas características de formato como área,
arredondamento e alongamento, que são utilizadas para o reconhecimento de padrões de desgaste. A
Figura 8 ilustra o resultado do relatório de amostra de óleo.
Figura 8 – Resultado do relatório de amostra de óleo
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
17
4.3. Classificação das Partículas por seus Atributos Morfológicos
A classificação das partículas pelas características do formato foi realizada por intermédio
de um módulo baseado em RNAs. Os resultados obtidos pela avaliação das redes neurais são
estabelecidos após o envio da imagem da partícula de desgaste, que é analisada por meio do
microscópio óptico, e em seguida enviada ao sistema de visão computacional para que seus
atributos morfológicos possam ser extraídos e utilizados para treinar as redes neurais.
Após o treinamento das RNAs encontram-se as melhores combinações possíveis para a
melhor taxa de acerto, e para este exemplo a MLP usada tem cinco neurônios em sua camada de
entrada, dez em sua camada oculta e quatro em sua camada de saída. A Tabela 1 mostra os
resultados obtidos da melhor configuração de atributos de entrada para se obter as melhores taxas
de acerto na comparação entre partículas relacionadas aos modos de desgaste analisados.
Tabela 1 – Melhor configuração para combinações entre características
área
área
área
área
área
altura
altura
menor
altura
altura
Atributos (camada de entrada)
menor
alongamento
menor
circularidade
circularidade
alongamento
circularidade
alongamento
menor
circularidade
razão de aspecto
alongamento
razão de aspecto
razão de aspecto
razão de aspecto
TA (%)
96,0
95,2
95,2
95,2
94,1
5. CONCLUSÕES
Nesta pesquisa, técnicas de processamento de imagem e análise computacional de dados
foram aplicadas para obter informações relevantes das imagens de partículas de desgaste. Foi
desenvolvido um sistema fundamentado em técnicas de processamento de imagens para ser
utilizado na análise de partículas de desgaste de óleos lubrificantes industriais. Esse sistema permite
avaliar o tamanho das partículas de desgaste de acordo com os critérios da norma ISO 4406:1999.
Também foi introduzida a análise morfológica das partículas envolvidas na amostra, classificandoas de acordo com os critérios morfológicos adotados.
Apresentou-se uma aplicação para a análise microscópica de partículas de desgaste que
utiliza um sistema especialista (IASS) e redes neurais (RNA_CPD). As vantagens desta aplicação
incluem: (i) seu uso computacional, (ii) viabilização do projeto e (iii) o uso de uma interface
interativa com aplicação de técnicas de processamento de imagens. As duas tecnologias realizam
suas tarefas para o diagnóstico qualitativo e quantitativo e para análise morfológica das partículas. A
integração entre esses sistemas possibilitou o controle das operações de classificação e análise de
partículas de desgaste.
O sistema desenvolvido apresenta a vantagem de poder ser utilizado por usuários com pouca
experiência em análise de partículas de desgaste, podendo ser adaptado para a análise de outros
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
18
tipos de partículas.
A contribuição da pesquisa se concentra no desenvolvimento de um sistema de programas
computacionais que apresenta uma interface gráfica interativa e que integra recursos de
processamento de imagens à área de análise de partículas de desgaste em óleos lubrificantes
industriais. Esse sistema utiliza os recursos tecnológicos da área computacional e de tribologia, o
que viabiliza a aplicação tanto no meio acadêmico como no setor industrial.
Outro aspecto diferencial é sua estrutura modular e aberta, o que permite a atualização,
integração de sistemas de apoio e implementação de novas ferramentas de análise com recursos
tecnológicos mais avançados.
Para trabalhos futuros propõe-se o projeto de um sistema para gerar as partículas de
desgaste, o uso de RNAs para o reconhecimento das imagens de partículas coletadas, bem como
melhorias no sistema de hardware com uso de um microscópio com melhor resolução.
REFERÊNCIAS
ALBIDEWI, I. A. Wear particles surface identification using neural network, International Journal
of Computer Science and Network Security, v. 8, n. 1, 2008.
CANON. Software Development Kit Software, Developer’s Guide. Ver 7.0. Copyright CANON
INC, 2004.
GONÇALVES, V. D.; MATHIAS, M. H. A Mechatronic System Applied to wear Particle Analysis,
Slovenian Society for Tribology, ECOTRIB, Slovenia, v. 2, p. 1065-1072, 2007.
JARDINE, A. K. S.; LIN, D.; BANJEVIC, D. A review on machinery diagnostics and prognostics
implementing condition-based maintenance. Mechanical Systems and Signal Processing, v.
20, p. 1483-1500, 2006.
LAGHARI, M. S. Recognition of texture types of wear particles. Neural Computing and
Applications, v. 12, n. 1, p. 18-25, 2003.
LAGHARI, M. S.; BOUJARWAH, A. Wear particle identification using image processing
techniques. In: ISCA, 5th Int. Conf. Intelligent Systems, Reno, U.S.A., p. 22-30, 1996.
LAGHARI, M. S.; MENON, Q. A.; KHUWAJA, G. A. Knowledge based wear particle analysis.
Transactions on Engineering, Computing and Technology, v. 3, p. 112-116, 2004.
MOBLEY, K. M. Predictive Maintenance. In: MOBLEY, K. M.; HIGGINS, L. R.; WIKOFF, D. J.
(eds.). Maintenance Engineering Handbook. New York: McGraw-Hill Professional, p. 2.192.34, 2008.
MAYER, A. Particle Counting – Peril or Prize? Practicing Oil Analysis, Noria Corporation, Março,
2006.
REIS, D.; PATI, N. Applications of artificial intelligence to condition-based maintenance. Revista
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
19
de Administração de Empresas, v. 40, n. 2, p. 102-107, 2000.
STACHOWIAK, G. W.; BATCHELOR, A. W. Engineering Tribology. 2. ed., Boston: Butterworth
Heinemann, 2001, 750 p.
XU, K.; LUXMOORE, A. R.; JONES, L. M.; DERAVI, F. Integration of neural networks and
expert systems for microscopic wear particle analysis. Knowledge-Based Systems, v. 11, p.
213–227, 1998.
Eng Res, v. 5, n. 2, p. 1-20, March / 2014.
20